AI巨头Anthropic以4亿美元收购了纽约初创公司Coefficient Bio,继续推进其在医疗行业的布局。这家专注于将AI应用于药物发现的公司成立于去年,但一直保持低调运营。
总部位于旧金山的Anthropic尚未正式确认这笔交易。据The Information和独立科技记者Eric Newcomer首次报道,该收购金额达到4亿美元。Coefficient Bio是一家仅有9名员工的公司,团队成员来自Genentech、Roivant和Evozyne等知名企业,由Aris Theologis领导。
Theologis此前担任Evozyne的首席商务官,与Nathan Frey、Samuel Stanton和Joyce Hong共同创立了Coefficient Bio。Nathan Frey和Samuel Stanton是机器学习专家,此前在Genentech的AI药物发现部门Prescient Design工作,而Joyce Hong则是前Roivant高管。该公司由专注AI投资的Dimension集团孵化。
关于Coefficient Bio平台和技术方法的信息极少,其网站目前只是一个简单的着陆页。据报道,该公司的目标是开发用于靶点和药物发现的平台,同时帮助应对开发项目的监管要求。
鉴于这次收购(据包括TechCrunch在内的多个消息源称已经完成)发生在Coefficient Bio成立仅几个月后,看起来Anthropic主要是在收购人才,以推动其最近在医疗和生命科学领域的扩张。
去年10月,Anthropic推出了Claude for Life Sciences,这是一套大语言模型和AI助手,旨在帮助研究人员完成统计分析代码编写、论文总结和可测试假设生成等任务。该平台后来扩展了临床试验和监管功能工具,目标是成为生命科学研发的"端到端"工具包。
Anthropic已经签约了多家制药公司使用该平台,包括诺和诺德、赛诺菲和艾伯维。其中艾伯维正在与Genmab合作,使用Claude开展癌症项目研究。
FDA也采用了Anthropic的技术,该技术为FDA最近推出的药物审查工具Elsa提供支持。然而,该公司与特朗普政府关系紧张,因为Anthropic拒绝允许Claude用于军事应用。今年2月,特朗普表示包括卫生与公众服务部在内的所有联邦机构都不应再使用该平台。
今年早些时候,这家AI巨头通过推出Claude for Healthcare进一步扩展了其医疗服务。这是一套面向医疗系统、支付方和患者的AI工具,旨在与ChatGPT for Health和亚马逊的Health AI竞争。
Q&A
Q1:Anthropic收购Coefficient Bio花了多少钱?
A:据报道,Anthropic以4亿美元收购了Coefficient Bio。这是一家仅有9名员工的初创公司,成立于去年,专注于将AI应用于药物发现领域。
Q2:Coefficient Bio主要做什么业务?
A:Coefficient Bio专注于将AI应用于药物发现,目标是开发用于靶点和药物发现的平台,同时帮助应对开发项目的监管要求。不过该公司一直保持低调,相关信息很少。
Q3:Anthropic在医疗领域还有哪些产品?
A:Anthropic推出了Claude for Life Sciences和Claude for Healthcare两大医疗平台。前者帮助研究人员进行统计分析、论文总结等研发工作,后者则面向医疗系统、支付方和患者提供AI工具服务。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。